Фаза обучения (Алгоритмы рекламы)

Фаза обучения — это период после запуска кампании или после крупного изменения активной кампании, когда алгоритм доставки рекламной платформы всё ещё собирает достаточное количество данных о конверсиях для надёжной оптимизации ставок и таргетинга. В этот период стоимость за результат, как правило, колеблется сильнее, чем обычно, и обычно считается преждевременным делать выводы о том, работает ли кампания.

Почему алгоритмам нужен период обучения#

Современные умные стратегии ставок предсказывают, кто, вероятнее всего, совершит конверсию, и в реальном времени корректируют ставки на основе этого прогноза. Сразу после запуска или после значительного изменения система имеет мало или вовсе не имеет данных, специфичных для конкретного сочетания креатива, аудитории и стратегии ставок, поэтому она исследует более широко, чтобы построить модель того, что работает. Такое исследование естественно более шумное и часто менее эффективное, чем стабильная доставка, которая наступает, когда алгоритм получает достаточно конверсий для уверенности в своих предсказаниях.

Что считается сбросом#

Большинство платформ не инициируют новую фазу обучения только при запуске. Смена стратегии ставок, значительное изменение таргетинга, пауза и возобновление спустя длительный период или замена большинства активных рекламных креативов могут полностью перезапустить таймер. Это одна из причин, почему замена одного нового рекламного креатива предпочтительнее масштабных обновлений креативов: замена одного объявления при сохранении остальных элементов кампании стабильными позволяет избежать сброса обучения для остальных активных объявлений, что стоит знать перед тем, как рекламировать на Taboola в реальном масштабе.

Как долго это обычно длится#

Нет фиксированного ответа, и всё зависит от объёма конверсий, а не от календарного времени. Кампания, генерирующая десятки конверсий в день, может пройти окно обучения за несколько дней, тогда как кампания с низким объёмом и несколькими конверсиями в неделю может находиться в нестабильном состоянии гораздо дольше, или никогда полностью не выйти из него, если объём остаётся слишком мал. Это объясняет, почему рекламодатели с небольшими аффилированными бюджетами часто видят более волатильные ежедневные результаты, чем крупные аккаунты: они просто генерируют меньше точек данных в день, из которых алгоритм может учиться.

Практические выводы для рекламодателей#

Оценка новой кампании или крупного изменения слишком рано — один из самых распространённых способов, с помощью которого медиа‑байеры «убивают» то, что могло бы сработать. Кампания, которая выглядит дорогой в первые 48 часов, может стабилизироваться и достичь совершенно иной стоимости за результат, когда алгоритм получит достаточный сигнал, поэтому стоит установить минимальное окно оценки, привязанное к количеству конверсий, а не к прошедшим дням, прежде чем решать, приостановить её или масштабировать. То же самое относится к корректировкам ставок: одновременное внедрение нескольких новых правок в уже нестабильное окно обучения усложняет определение, какое изменение действительно помогает.

Сокращение ненужных сбросов#

Группировка правок в одну большую вместо нескольких мелких в течение недели, использование запланированных корректировок ставок вместо ручных пауз и возобновлений, а также предоставление выигравшему объявлению возможности продолжать показываться вместо его рефлексивной замены — всё это уменьшает частоту, с которой кампания возвращается в фазу обучения. Для рекламодателей, изучающих как создать список конкурентов, та же логика объясняет, почему объявление конкурента, которое остаётся в живых после первой‑двух недель, видимое через OpenAdLibrary's ad intelligence platform, является более сильным сигналом, чем объявление, живущее лишь до третьего дня: скорее всего, оно уже прошло своё окно обучения и стабилизировалось.